Нормализация данных и работа с категориальными признаками

Почему при центрировании данных в универсальном методе нормализации предпочтительно использовать медиану, а не среднее арифметическое?

• Потому что медиана всегда больше среднего арифметического

• Потому что медиана устойчивее к выбросам и асимметрии распределения

• Потому что медиана позволяет получить более широкий диапазон значений

• Потому что медиана проще вычисляется для больших выборок

Answer explanation

Медиана выбирается для центрирования, поскольку она практически не изменяется под влиянием выбросов и не зависит от асимметрии распределения, что обеспечивает более стабильное представление центральной тенденции.

Какое преимущество даёт использование размаха значений (max–min) при масштабировании?

• Он обеспечивает одинаковый итоговый диапазон

• Он автоматически корректирует асимметрию распределения

• Он позволяет сохранить оригинальное распределение данных без изменений

• Он является оптимальным для категориальных данных

Answer explanation

Размах значений гарантирует, что все признаки будут иметь одинаковый итоговый диапазон (например, [0; 1]), но наличие выбросов может исказить масштабирование, так как экстремальные значения увеличивают размах и уменьшают «значимый» интервал для большинства данных.

При использовании стандартизации (Z-преобразования) почему признаки с различными распределениями могут оказывать неравное влияние на модель?

• Потому что стандартное отклонение одинаково для всех распределений

• Потому что стандартизация не гарантирует одинаковый итоговый диапазон для разных признаков

• Потому что этот метод автоматически устраняет все различия между признаками

• Потому что метод стандартизации применяется только к симметричным распределениям

Answer explanation

Стандартизация по среднему и стандартному отклонению может привести к различным итоговым диапазонам для признаков с разными распределениями, что означает, что признаки с меньшим стандартным отклонением будут иметь больший «вес» в модели.

Какую основную задачу решает метод One-Hot Encoding при работе с категориальными данными в контексте машинного обучения?

• Он уменьшает количество признаков для ускорения обучения

• Он преобразует категориальные значения в числовой вид, не навязывая искусственный порядок

• Он нормализует числовые данные для устранения влияния выбросов

• Он автоматически группирует схожие категории в один признак

Answer explanation

One-Hot Encoding позволяет преобразовать категориальные данные в числовой формат, при этом каждой категории соответствует отдельный бинарный признак, что предотвращает навязывание несуществующего порядка между категориями.

Какую роль играет число medcouple (MC) в скорректированном интервале для определения выбросов?

• Оно служит для уменьшения влияния медианы на определение границ выбросов

• Оно количественно оценивает степень асимметрии, что позволяет корректировать границы выбросов

• Оно заменяет стандартное отклонение при масштабировании данных

• Оно используется для преобразования категориальных данных в числовые значения

Answer explanation

Число medcouple показывает меру асимметрии распределения, что позволяет модифицировать традиционные границы выбросов (на основе IQR) и точнее определять их в случаях асимметричного распределения.